元旦快乐--2023 List

朋友们，元旦快乐，这里列举了一些2023年，阅读量较高的文章。‍

按照时间顺序，从23年初到年底进行推荐，希望有所帮助。

如果你觉得有用，欢迎点赞，关注，转发。

没用的话也无所谓啦hhhh

1. 榕树集–GPT For Everything

这篇文章介绍了如何注册、使用以及充分利用GPT，一个强大的人工智能语言模型。作者分享了关于V**和虚拟手机号码的注册技巧，以及使用GPT-4进行各种任务的方法，包括搜索、代码编写等。此外，文章还介绍了GPT的进阶应用，如AutoGPT和AgentGPT，以及它们的潜在价值。总之，GPT被视为一个不可或缺的工具，有望推动人工智能领域的创新，并引发对于学习和知识应该关注的方向的思考。

点击图片，查看原文：

‍

2. 榕树集-蛋白质表面指纹（MaSIF）

这篇文章详细介绍了蛋白质表面指纹技术及其在蛋白质从头设计中的应用。通过使用MaSIF方法，作者成功地捕获了蛋白质分子表面的几何和化学特征，并生成了表面指纹。这些指纹不仅可用于预测蛋白质的相互作用位点，还可以识别有效的结合种子，为蛋白质从头设计提供了有力的工具。具体而言，MaSIF-seed方法通过分析表面指纹的相似性和界面亲和性，帮助筛选出适合的结合种子，然后将其嫁接到蛋白质支架上，并进行设计优化，以提高结合亲和力。这一方法在实验中展现出了潜在的应用前景，为蛋白质工程和药物设计领域提供了有力的工具和策略。因此，蛋白质表面指纹技术为从头设计具有特定功能的蛋白质界面提供了一种创新的方法，具有广泛的生物学和生物化学应用潜力。

点击图片，查看原文：

3. 榕树集-Rosetta MotifGraft

这篇文章介绍了蛋白质界面的重要性以及蛋白质设计中的一种方法，即蛋白质界面设计。蛋白质界面是蛋白质相互作用的关键部分，调节了多种生物学过程。文章着重介绍了蛋白质设计中的"seeded interface design"方法，即使用已知结构中的小型motif来启动设计过程，并将其嫁接到蛋白质支架中，以实现优化的相互作用界面。这一方法的优点包括能够在设计的初始阶段具有有利的相互作用、受结构域影响的支架和目标蛋白表面的取向，以及减少对接构象的熵惩罚。文章还提到了一些案例和具体操作步骤，包括准备蛋白质文件、构建Scaffold数据库、使用Motif Grafting工作流程等。最后，文章强调了在设计中进行选择、优化和验证的重要性，以确保设计的序列能够正确折叠并具有所需的功能。

点击图片，查看原文：

4. 榕树集—褪黑素受体的虚拟筛选

这篇2020年的研究文章介绍了褪黑素作为神经调节剂，通过调节MT1和MT2两种褪黑素受体来同步昼夜节律和生理功能，对睡眠障碍和抑郁症有潜在疗效。研究使用虚拟分子库对接MT1受体，筛选出新型褪黑素受体配体，包括反向激动剂，其中一些可提前小鼠昼夜节律。通过结构筛选，发现了15个新的化学骨架，具有高度的化学新颖性。这项研究揭示了通过大规模化学库和结构筛选发现未知活性化合物的潜力，尤其是在褪黑素受体调节方面。但研究也指出了一些限制条件，如口袋保守性和高命中率可能不适用于其他目标。总之，这项研究为褪黑素受体药物研发提供了新的洞察和可能性。

点击图片，查看原文：

5. 榕树集--计算方法优化药物发现

这篇文章总结了计算辅助药物研发（CADD）领域的最新进展和挑战。作者首先介绍了CADD的历史演变，从20世纪70年代的提出到最近的科学和技术突破，强调了计算方法在药物发现中的不可或缺性。随后，文章讨论了影响CADD的关键因素，包括结构革命、类药空间的扩展以及新兴的计算方法。特别关注了巨型虚拟库和虚拟化学空间的发展，以及数据驱动的方法和深度学习在药物设计中的应用。最后，文章提出了未来挑战，包括进一步扩大可获取的化学空间和确保计算预测的验证和优化。整体而言，CADD领域正经历着革命性的变革，为药物发现提供了更多的可能性和效率。

点击图片，查看原文：

6. 榕树集–大规模分子对接指南

这篇文章介绍了一种用于指导大规模虚拟筛选（docking）的protocol。随着计算资源的增加和化合物库的扩大，现在可以在中小规模计算机集群上对数亿甚至数十亿化合物进行筛选。作者提供了对接筛选前的结构准备步骤，包括构象、口袋、突变氨基酸、水分子、缓冲成分等的处理方法。对于大规模筛选，建议关注易于测试的化合物，如ZINC20数据库中的子集。在筛选过程中，提出了一系列筛选器，包括对接得分、破损分子、内部应变、相互作用模式、未满足的氢键供体和受体、新颖性筛选器和支架聚类等，以确保命中的特异性和多样性。这一方法为大规模化合物筛选提供了实用的指导，并在实验中取得了成功的结果。

点击图片，查看原文：

7. 榕树集–AlphaFold的更新

AlphaFold在蛋白质预测领域取得突破，随后扩展到蛋白质复合物。最新的AlphaFold-latest版本带来了两个关键方面的改进：显著提高了准确度，可以实现原子级精度的预测，并扩大了预测范围，包括配体、核酸、翻译后修饰等生物分子。该模型与实验结构的比较表明其出色的性能。AlphaFold-latest在蛋白质-小分子复合物、蛋白质-蛋白质结构和蛋白质-核酸复合物预测方面表现优异，具有高成功率和不需要提前知道蛋白质结构的特点。然而，传统的分子对接程序可能会受到AI模型的冲击，尤其是在涉及共价、离子、诱导契合和膜蛋白等特殊情况下。尽管如此，AlphaFold-latest代表了蛋白质预测领域的一项重要进展。

点击图片，查看原文：

8. 榕树集-天然产物领域的AI研究

文章探讨了计算方法和人工智能在天然产物领域的应用，揭示了其在药物研发中的新潜力。天然产物包括多种多样的化学结构，具有重要的药物潜力。最近的研究表明，人工智能在挖掘、解析和预测天然产物的结构和生物活性方面取得了显著进展。文章介绍了AI在天然产物基因组和代谢组挖掘、结构特征解析以及靶点预测和生物活性方面的应用，同时强调了数据质量和数据库维护的重要性。虽然AI为天然产物研究提供了新的机会，但也需要克服数据集质量和算法选择等挑战。文章呼吁国际和国家资金机构支持数据库维护，并倡导数据资源的分布式网络。总的来说，AI为天然产物药物发现领域带来了重要的突破，但也需要继续跨学科合作以实现更多创新。

点击图片，查看原文：

9. 榕树集–ChatGPT4的注册以及使用

GPT-4是OpenAI最新推出的人工智能模型，相较于前一版本GPT-3.5，它在语言理解和生成方面的能力得到显著提升，能够更好地处理复杂查询，提供更准确、更详细的回应。此外，GPT-4具备多模态能力，不仅支持文本输入，还能够处理图像、语音和链接，扩展了其应用领域。它的功能包括编程辅助、数据处理、语言翻译、教育辅导、创意写作、信息查询等，为用户提供了更多实用工具。插件功能也为用户提供了定制化的扩展能力，使得GPT-4成为一个功能丰富且灵活多变的人工智能助手，适用于各种应用场景。总的来说，GPT-4的升级在语言处理和多模态支持方面取得了重大突破，为用户提供了更多强大的功能和工具，具备广泛的应用潜力。

点击图片，查看原文：

10. 榕树集-量子计算

这篇推文总结了今年的量子计算相关内容。首先介绍了相干伊辛机（Coherent Ising Machine，CIM），这是一种基于实验物理学的计算机，用于解决组合优化问题，使用相干光振荡器网络来模拟伊辛模型。接着介绍了QUBO数学模型，它在量子计算中广泛应用于解决各种优化问题，特别适合量子比特。文章还提到了量子计算与分子对接的关系，以及如何将分子对接问题转化为图匹配问题，利用量子计算的优势来寻找最佳匹配方式。文章指出了这一领域的应用前景，并提供了相关的参考资料和研究文章。文章以新年祝福结束，总结了今年的推文内容。

点击图片，查看原文：